使用哈里斯·霍克优化进行视觉唤起的EEG信号分类的自动集体方法
Bhuvaneshwari M1, Grace Mary Kanaga E1, Kumudha Raimond1
1Department of Computer Science and Engineering, Karunya Institute of Technology and Sciences, Coimbatore, TN, India.
概括
这项研究介绍了一种优化的集体学习模型,用于使用哈里斯优化和Boruta特征选择的脑计算机接口. 这种方法显著提高了辅助技术的脑电图信号分类准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 基于脑电图 (EEG) 的脑电脑接口 (BCI) 对于医疗保健解决方案至关重要,特别是对于患者.
- 虽然集体学习提高了分类器的性能,但选择最佳子集是耗时的.
研究的目的:
- 为EEG信号分类开发一个高效的多分类器模型.
- 在集体学习中解决最佳分类器子集选择的挑战.
主要方法:
- 利用哈里斯·霍克优化算法来选择最佳分类器子集.
- 使用Boruta特征选择算法来识别突出的EEG信号特征.
- 将选定的特征集成到一个优化的多分类器组合模型中.
主要成果:
- 通过组合技术实现了高精度:堆叠 (96.1%),包装 (98.7%),提升 (91.91%) 和投票 (99.01%).
- 在多类分类问题中表现出卓越的表现.
- 通过灵敏度,特异性和F1-Score指标进行验证.
结论:
- 拟议的基于哈里斯·霍克优化组合模型为EEG信号分类提供了高度准确和高效的解决方案.
- 这一进步为改善患者的BCI和辅助技术带来了巨大的潜力.
